在临近预报中对计量经济学和机器学习方法进行基准测试：UNCTAD 研究论文 No. 83

临近预报可以发挥关键作用，让决策者更及时地了解滞后时间很长的数据，例如最终的 GDP 数据。 目前，有大量的方法论和方法可供从业者选择。然而，就预测性能和特征而言，缺乏对这些不同方法的全面比较。 本文通过检查 12 种不同方法在临近预报美国季度 GDP 增长中的表现来解决这一缺陷，包括临近预报中最常用的所有方法，以及一些最流行的传统机器学习方法。 绩效评估针对美国经济史上三个不同的动荡时期：1980 年代初的经济衰退、2008 年的金融危机和 COVID 危机。 分析中表现最好的两种方法是长短期记忆人工神经网络 (LSTM) 和贝叶斯向量自回归 (BVAR)。 为了促进对每种检查方法的进一步应用和测试，包含可应用于不同数据集的样板代码的开源存储库与论文一起发布，可在以下网址获得：github.com/dhopp1/nowcasting_benchmark。...
在临近预报中对计量经济学和机器学习方法进行基准测试：UNCTAD 研究论文 No. 83pdf预览版
在临近预报中对计量经济学和机器学习方法进行基准测试：UNCTAD 研究论文 No. 83pdf完整版